BP神經(jīng)網(wǎng)絡(luò)誤差修正的電力物資時(shí)間序列預(yù)測(cè)①

趙一鵬 ,丁云峰 ,姚愷豐

1(中國(guó)科學(xué)院 沈陽(yáng)計(jì)算技術(shù)研究所,沈陽(yáng) 110168)2(中國(guó)科學(xué)院大學(xué),北京 100049)3(國(guó)家電網(wǎng)公司東北分部,沈陽(yáng) 110180)

BP神經(jīng)網(wǎng)絡(luò)誤差修正的電力物資時(shí)間序列預(yù)測(cè)①

趙一鵬1,2,丁云峰1,姚愷豐3

1(中國(guó)科學(xué)院 沈陽(yáng)計(jì)算技術(shù)研究所,沈陽(yáng) 110168)2(中國(guó)科學(xué)院大學(xué),北京 100049)3(國(guó)家電網(wǎng)公司東北分部,沈陽(yáng) 110180)

傳統(tǒng)的ARIMA時(shí)間序列分析方法是基于線性技術(shù)來(lái)進(jìn)行時(shí)序預(yù)測(cè),而對(duì)非線性數(shù)據(jù)的處理不盡合理,效果欠佳; 而影響電力物資需求的因素非常多,絕大多數(shù)的物資序列通常既包含了線性時(shí)序的部分,又包含了非線性時(shí)序的成分.本文提出在ARIMA對(duì)電力物資需求預(yù)測(cè)的基礎(chǔ)上,融合BP神經(jīng)網(wǎng)絡(luò)進(jìn)行誤差修正,以全面提取物資序列中的復(fù)合特征,提高電力物資的預(yù)測(cè)精度.實(shí)驗(yàn)結(jié)果表明,誤差修正后的電力物資預(yù)測(cè)精度有了顯著提高,可以為制定物資采購(gòu)計(jì)劃提供重要的數(shù)據(jù)支持.

時(shí)間序列; ARIMA 模型; BP 神經(jīng)網(wǎng)絡(luò); 誤差修正; 電力物資預(yù)測(cè)

隨著電力企業(yè)的快速發(fā)展,物資管理在企業(yè)精細(xì)化運(yùn)營(yíng)過(guò)程中越顯重要.目前,國(guó)家電網(wǎng)公司物資集約化管理以及采購(gòu)管控要求不斷提高,給各網(wǎng)省電力公司物資管理提出了更高的要求,如何申報(bào)合理的物資需求數(shù)量成為各網(wǎng)省電力公司亟待解決的問(wèn)題.電力物資需求預(yù)測(cè)的目的就是通過(guò)對(duì)未來(lái)一段時(shí)間內(nèi)物資需求量的科學(xué)、合理的預(yù)測(cè),為企業(yè)制定合理的物資需求規(guī)劃提供可靠的數(shù)據(jù)支持,為物資采購(gòu)打下良好的基礎(chǔ),有效提高企業(yè)物資管理的前瞻性,為企業(yè)提前統(tǒng)籌資源創(chuàng)造有利條件.物資需求預(yù)測(cè)是現(xiàn)代電網(wǎng)企業(yè)合理制定采購(gòu)計(jì)劃、規(guī)劃未來(lái)發(fā)展戰(zhàn)略所需要的一項(xiàng)重要能力,同時(shí)也是提升電網(wǎng)運(yùn)作能力的重要手段[1,2].

從目前國(guó)內(nèi)外的相關(guān)研究上來(lái)看,在物資預(yù)測(cè)研究方面已經(jīng)有很多理論和方法.Unlu通過(guò)運(yùn)用移動(dòng)平均法、指數(shù)平滑法以及線性回歸等模型,依據(jù)歷史需求數(shù)據(jù)進(jìn)行預(yù)測(cè),引用誤差均方差最小的模型的預(yù)測(cè)結(jié)果作為未來(lái)需求的估計(jì)[3],這主要是針對(duì)線性序列的預(yù)測(cè).為了改善非線性時(shí)間序列的預(yù)測(cè)效果,許多非線性方法的研究日益受到關(guān)注.宋斌針對(duì)我國(guó)電網(wǎng)建設(shè)項(xiàng)目物資的需求特點(diǎn),基于BP神經(jīng)網(wǎng)絡(luò)方法對(duì)電網(wǎng)建設(shè)項(xiàng)目物資進(jìn)行了預(yù)測(cè)[4].韓戟提出一種基于支持向量機(jī)(SVM)的電力行業(yè)物資需求預(yù)測(cè)方法,把物資需求審核轉(zhuǎn)化為分類問(wèn)題,實(shí)現(xiàn)了物資采購(gòu)數(shù)量和種類的審核[5].在電力預(yù)測(cè)領(lǐng)域,李晨熙結(jié)合小波變化和ARIMA模型對(duì)短期電力負(fù)荷進(jìn)行了預(yù)測(cè)[6].

電力物資需求預(yù)測(cè)的特點(diǎn)是:電力物資作為一個(gè)時(shí)間序列具有一定的周期性、趨勢(shì)性以及自相關(guān)性,同時(shí)由于其受到惡劣天氣地形、國(guó)家政策、電力系統(tǒng)運(yùn)行情況等多種復(fù)雜因素的影響,電力物資序列中表現(xiàn)出很強(qiáng)的波動(dòng)性,在現(xiàn)實(shí)中,絕大多數(shù)物資時(shí)間序列,通常既包含了線性時(shí)序的成分,又包含了非線性時(shí)序的成分,呈現(xiàn)出線性和非線性的復(fù)合特征.由于電力物資需求數(shù)據(jù)常常是具有一定周期性和趨勢(shì)性的自相關(guān)時(shí)間序列,ARIMA模型能比較有效地處理這類序列.采用恰當(dāng)?shù)腁RIMA模型預(yù)測(cè)后所得的殘差應(yīng)該是白噪聲,在線性時(shí)間序列分析中,白噪聲序列已經(jīng)沒有分析價(jià)值了,但是通過(guò)非線性時(shí)間序列分析可以提取出其剩余有價(jià)值信息,BP神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)能力以及良好的非線性映射能力,對(duì)剩余信息進(jìn)行提取并修正ARIMA預(yù)測(cè)結(jié)果是合適的.本文在ARIMA模型的基礎(chǔ)上進(jìn)行改進(jìn),首先用ARIMA對(duì)電力物資進(jìn)行預(yù)測(cè),然后用BP神經(jīng)網(wǎng)絡(luò)對(duì)其結(jié)果進(jìn)行誤差修正,得到最終的物資需求預(yù)測(cè)值.

1 ARIMA 時(shí)間序列預(yù)測(cè)法

時(shí)間序列預(yù)測(cè)模型在線性系統(tǒng)、平穩(wěn)時(shí)間序列問(wèn)題上得到了廣泛的應(yīng)用.時(shí)間序列預(yù)測(cè)是對(duì)電力物資需求量時(shí)間序列本身所體現(xiàn)出的隨時(shí)間變化而變化的規(guī)律來(lái)分析完成物資需求量的預(yù)測(cè).時(shí)間序列分析法包括自回歸(AR)、移動(dòng)平均法(MA)、自回歸移動(dòng)平均法(A R M A)和差分自回歸移動(dòng)平均模型(ARIMA)等.

1.1 ARIMA模型

ARIMA 模型通常被寫作 ARIMA(p,d,q),其中,p表示自回歸階數(shù),d表示差分次數(shù),q表示移動(dòng)平均階數(shù).ARIMA模型實(shí)質(zhì)是先對(duì)非平穩(wěn)的時(shí)間序列yt進(jìn)行d次差分處理得到新的平穩(wěn)的數(shù)據(jù)序列rt,將rt擬合 ARMA(p,q)模型,然后再 d 次差分還原,便可得到原序列 yt的預(yù)測(cè)數(shù)據(jù).其中,ARMA(p,q)的一般表達(dá)式為:

式中,前半部分為自回歸部分,p 為自回歸階數(shù),?i(i=1,2,…p)為自回歸系數(shù),后半部分為滑動(dòng)平均部分,q 為滑動(dòng)平均階數(shù),θi(i=1,2,…q)為滑動(dòng)平均系數(shù),et為白噪聲.

ARIMA法[7]是處理動(dòng)態(tài)數(shù)據(jù)的一種有效分析方法,是時(shí)間序列中最具代表性、使用最廣泛的模型,當(dāng)不同參數(shù)取0時(shí)可以簡(jiǎn)化為其它模型,如圖1所示.ARIMA模型在社會(huì)、經(jīng)濟(jì)、股票等眾多領(lǐng)域中都有著廣泛的應(yīng)用,對(duì)于線性時(shí)間序列有著卓越的預(yù)測(cè)能力.因而,本文選取ARIMA模型來(lái)對(duì)電力物資的月需量進(jìn)行分析預(yù)測(cè),ARIMA模型的建模流程如圖2所示.

圖1 各模型間的轉(zhuǎn)化

1.2 ARIMA模型的特點(diǎn)和不足

ARIMA模型簡(jiǎn)潔,計(jì)算速度快,在時(shí)間序列預(yù)測(cè)的領(lǐng)域應(yīng)用廣泛,它對(duì)時(shí)間序列具有較高的擬合能力和預(yù)測(cè)能力.ARIMA模型的最大缺陷是,序列變量的未來(lái)值被假定滿足變量過(guò)去觀測(cè)值和隨機(jī)誤差的線性函數(shù)關(guān)系,這點(diǎn)從式(1)中也可以看出來(lái),由于ARIMA方法是基于線性關(guān)系來(lái)進(jìn)行時(shí)序預(yù)測(cè)的,因此很難有效地捕捉并解釋非線性關(guān)系.所以單獨(dú)使用ARIMA模型對(duì)電力物資進(jìn)行預(yù)測(cè),對(duì)物資需求背后隱含的非線性關(guān)系挖掘得不充分.在ARIMA預(yù)測(cè)的基礎(chǔ)上充分挖掘非線性信息正是我們可以改進(jìn)的地方.

ARIMA模型使用顯式表達(dá)式來(lái)描述數(shù)據(jù)間的相互關(guān)系.然而,非線性數(shù)據(jù)間的關(guān)系一般都很復(fù)雜,很難用一種方法把變量之間的結(jié)構(gòu)用數(shù)學(xué)語(yǔ)言表達(dá)出來(lái).神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的學(xué)習(xí)和數(shù)據(jù)處理能力,是一種自然非線性建模過(guò)程,能夠挖掘數(shù)據(jù)背后復(fù)雜的甚至很難用數(shù)學(xué)式描述的非線性特征,且不需要事先假設(shè)數(shù)據(jù)之間具有何種函數(shù)形式或滿足哪種分布條件.BP神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的非線性映射能力,這啟發(fā)人們把人工神經(jīng)網(wǎng)絡(luò)技術(shù)引入到時(shí)間序列分析中來(lái),即不去關(guān)系具體用什么樣的非線性組合,而是用人工神經(jīng)網(wǎng)絡(luò)去逼近那個(gè)未知的最佳映射,因此利用它對(duì)電力物資市場(chǎng)的動(dòng)態(tài)過(guò)程進(jìn)行建模是合適的.

圖2 ARIMA 建模流程

2 BP 神經(jīng)網(wǎng)絡(luò)

近年來(lái),人工神經(jīng)網(wǎng)絡(luò)的研究在國(guó)內(nèi)外廣泛興起.人工神經(jīng)網(wǎng)絡(luò)作為一種通用的非線性函數(shù)逼近工具,以其良好的非線性品質(zhì)、靈活而高效的自組織學(xué)習(xí)方法等特點(diǎn),具體使用時(shí),不需要對(duì)時(shí)間序列進(jìn)行諸如平穩(wěn)性等假設(shè),在預(yù)測(cè)領(lǐng)域中顯出了很大的優(yōu)勢(shì).

BP神經(jīng)網(wǎng)絡(luò)[8-10]是一種多層前饋型神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞,誤差反向傳播.在前向傳遞中,輸入信號(hào)從輸入層經(jīng)隱含層逐層處理,直至輸出層.每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài).如果輸出層得不到期望輸出,則轉(zhuǎn)入反向傳播,根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值,從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出.采用反向傳播學(xué)習(xí)算法(Back-Propagation)來(lái)調(diào)整權(quán)值,可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射.目前,在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中,絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP神經(jīng)網(wǎng)絡(luò)及其變化方式,它也是前饋網(wǎng)絡(luò)的核心部分,體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的精華,其建模流程如圖3.

圖3 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程

3 ARIMA 模型的改進(jìn)算法

電力物資需求時(shí)間序列可以看成是由一個(gè)線性結(jié)構(gòu)和一個(gè)非線性結(jié)構(gòu)兩部分組成,單純使用ARIMA模型或BP神經(jīng)網(wǎng)絡(luò)都有可能導(dǎo)致誤差過(guò)大.為了提高單一模型的預(yù)測(cè)效果,在其它領(lǐng)域也出現(xiàn)了一些組合模型[11,12],其主要形式是對(duì)單個(gè)預(yù)測(cè)方法進(jìn)行加權(quán)平均,其研究重點(diǎn)為加權(quán)系數(shù)的確定.加權(quán)系數(shù)直接影響組合模型的預(yù)測(cè)效果,但如何確定加權(quán)系數(shù)是一件非常困難的事情,在實(shí)際應(yīng)用中帶有強(qiáng)烈的隨意性和主觀性.基于此,本文提出首先使用ARIMA模型對(duì)電力物資需求量進(jìn)行預(yù)測(cè),將預(yù)測(cè)的殘差序列{et}作為神經(jīng)網(wǎng)絡(luò)的輸入(如圖4),使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè),根據(jù)BP神經(jīng)網(wǎng)絡(luò)的誤差預(yù)測(cè)值對(duì)ARIMA模型的初始預(yù)測(cè)值進(jìn)行修正,得到最終的預(yù)測(cè)結(jié)果.具體步驟如下:

電力物資的時(shí)間序列yt可以看成是由線性自相關(guān)結(jié)構(gòu)Lt與非線性結(jié)構(gòu)Nt兩部分組成的,即:

(1)使用ARIMA模型對(duì)電力物資需求量時(shí)間序列yt的線性部分進(jìn)行預(yù)測(cè),設(shè)預(yù)測(cè)結(jié)果為,原序列與的殘差為et,那么有:

(2)殘差序列{et}中隱含了原序列中的非線性關(guān)系,我們用BP神經(jīng)網(wǎng)絡(luò)來(lái)逼近這種非線性關(guān)系,將預(yù)測(cè)的殘差序列{et}作為神經(jīng)網(wǎng)絡(luò)的輸入(如圖4),BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值一般是隨機(jī)產(chǎn)生的,用BP算法對(duì)其進(jìn)行訓(xùn)練,求得最優(yōu)權(quán)值和閾值,假設(shè)神經(jīng)網(wǎng)絡(luò)有n個(gè)輸入,這個(gè)殘差序列關(guān)系可寫成:

這里,f是由神經(jīng)網(wǎng)絡(luò)決定的非線性函數(shù),εt是隨機(jī)誤差,通過(guò)BP神經(jīng)網(wǎng)絡(luò)估計(jì)的殘差序列{et}的預(yù)測(cè)值記為.

(3)把兩個(gè)模型預(yù)測(cè)的結(jié)果相加得到最終修正后的預(yù)測(cè)結(jié)果為:

從預(yù)測(cè)過(guò)程看,ARIMA模型用于線性部分的預(yù)測(cè),而BP用于非線性部分預(yù)測(cè),通過(guò)對(duì)ARIMA和BP的綜合運(yùn)用,充分發(fā)揮了這兩種模型的長(zhǎng)處,從而提高了預(yù)測(cè)精準(zhǔn)度.經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)誤差修正后的ARIMA模型可以提取出物資需求序列中的絕大部分?jǐn)?shù)據(jù)特征.

4 實(shí)驗(yàn)及分析

4.1 實(shí)驗(yàn)步驟

步驟一.ARIMA模型預(yù)測(cè)鋁絞線序列的線性部分.先做出鋼芯鋁絞線需求量的時(shí)序圖(圖5),從圖5可以看出該序列具有明顯的增長(zhǎng)趨勢(shì),并且包含周期為12個(gè)月的季節(jié)波動(dòng).為了消除增長(zhǎng)趨勢(shì),同時(shí)減小序列的波動(dòng)性,對(duì)鋁絞線需求量數(shù)據(jù)做一階自然對(duì)數(shù)逐期差分,接著對(duì)其做季節(jié)差分消除季節(jié)性,經(jīng)試驗(yàn),二階季節(jié)差分后序列的季節(jié)性并沒有得到顯著的改善,故只做一階季節(jié)差分即可.通過(guò)R語(yǔ)言編程分析差分后的物資序列的自相關(guān)和偏自相關(guān)函數(shù),并結(jié)合AIC 和 SBC 等信息準(zhǔn)則,最終選取 ARIMA(1,1,1)(1,1,1)12作為鋼芯鋁絞線月度需求量的預(yù)測(cè)模型.

圖5 鋼芯鋁絞線月需求量時(shí)序圖

步驟二.使用BP神經(jīng)網(wǎng)絡(luò)對(duì)步驟一中的預(yù)測(cè)誤差進(jìn)行擬合.先利用公式(6)將樣本數(shù)據(jù)歸一化到[0,1].鑒于物資序列的周期性特點(diǎn),輸入層節(jié)點(diǎn)數(shù)取12或6,輸出層節(jié)點(diǎn)數(shù)為1,隱層節(jié)點(diǎn)數(shù)首先根據(jù)經(jīng)驗(yàn)公式(7)確定大致范圍,然后用試湊法確定最佳的節(jié)點(diǎn)數(shù):

其中,m 為隱層節(jié)點(diǎn)數(shù),n 為輸入層節(jié)點(diǎn)數(shù),l為輸出層節(jié)點(diǎn)數(shù),a為1-10之間的隨機(jī)常數(shù).

經(jīng)過(guò)大量實(shí)驗(yàn)最終選定6-8-1的網(wǎng)絡(luò)結(jié)構(gòu),為了加速收斂并緩解局部極小值,這里增加沖量項(xiàng)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),學(xué)習(xí)率為0.01,沖量0.01,隱層激活函數(shù)采用sigmoid,輸出采用purelin.選取最后12組誤差作為測(cè)試集,其余為訓(xùn)練集,使用R語(yǔ)言對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練擬合.

步驟三.將步驟二中的得到的預(yù)測(cè)值進(jìn)行反歸一化,將反歸一化后的預(yù)測(cè)值與步驟一中的預(yù)測(cè)結(jié)果疊加進(jìn)行誤差修正,如式(5),作為鋼芯鋁絞線月度需求量的預(yù)測(cè)值.

4.2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)數(shù)據(jù)來(lái)自國(guó)網(wǎng)遼寧省電力物資供應(yīng)公司,選取2010年3月到2016年12月期間的鋼芯鋁絞線月度需求量為樣本,利用BP神經(jīng)網(wǎng)絡(luò)誤差修正的ARIMA模型進(jìn)行預(yù)測(cè),并與修正前的預(yù)測(cè)值和實(shí)際的需求量對(duì)比分析,為了讓預(yù)測(cè)結(jié)果顯示地更清晰,從整個(gè)樣本周期中抽取2015年12月至2016年12月區(qū)間的結(jié)果如圖6所示,改進(jìn)前后的預(yù)測(cè)相對(duì)誤差率如圖7所示.

圖6 預(yù)測(cè)值和真實(shí)值擬合圖 (局部)

圖7 改進(jìn)前后的預(yù)測(cè)相對(duì)誤差率對(duì)比

從圖6和圖7可以看出,經(jīng)BP誤差修正后的物資預(yù)測(cè)精度有了明顯的提高,預(yù)測(cè)結(jié)果更貼近.在ARIMA模型預(yù)測(cè)誤差較大的后半年,BP誤差修正的效果非常顯著,尤其是10至12月份,修正后的預(yù)測(cè)值幾乎是與真實(shí)的需求量吻合的.從整體來(lái)看,ARIMA模型的平均相對(duì)誤差率為7.86%,BP修正后的平均相對(duì)誤差率為4.88%,相對(duì)誤差率降低了2.98%,效果顯著.

電網(wǎng)是一個(gè)非常復(fù)雜的系統(tǒng),影響電力物資需求的因素眾多,包括季節(jié)因素、國(guó)家政策、宏觀經(jīng)濟(jì)形勢(shì)、市場(chǎng)因素等諸多因素,關(guān)系異常復(fù)雜,在建立物資需求預(yù)測(cè)模型時(shí)很難找出所有的影響因素.電力物資月需求量的歷史統(tǒng)計(jì)數(shù)據(jù)是所有影響因素互相作用的結(jié)果,其中隱含包括了這些影響因素對(duì)電力物資需求影響的規(guī)律.所以,本文提出的預(yù)測(cè)方法是將所有外部因素對(duì)電力物資需求的影響規(guī)律作為一個(gè)復(fù)雜的、綜合的規(guī)律進(jìn)行表達(dá),而不需要人為分析影響物資需求的外部因素,避免了因選擇外部因素的不同和不全面造成的預(yù)測(cè)偏差.在鋁絞線預(yù)測(cè)中,BP誤差修正后的模型既有效刻畫了序列的線性相關(guān)性,又捕獲了非線性關(guān)系,預(yù)測(cè)結(jié)果基本上能夠反映鋁絞線月需求量的實(shí)際情況,可以為制定物資采購(gòu)計(jì)劃提供重要的數(shù)據(jù)支持.

1楊建國(guó).推行電力物資供應(yīng)鏈管理 促進(jìn)電網(wǎng)應(yīng)急物資保障.市場(chǎng)研究,2011,(9):52–54.

2宋斌,卜濤,張洪青.電網(wǎng)建設(shè)項(xiàng)目物資需求預(yù)測(cè)研究.物流技術(shù),2013,32(3):319–321,336.

3Unlu NT.Improving the Turkish navy requirements determination process:An assessment of demand forecasting methods for weapon system items.Monterey:Naval Postgraduate School,2001.

4宋斌,宋秉虎,沈男,等.基于 BP 神經(jīng)網(wǎng)絡(luò)的電網(wǎng)建設(shè)項(xiàng)目物資需求預(yù)測(cè).時(shí)代經(jīng)貿(mào),2013,(10):206–207.

5韓戟,何成浩,蘇星,等.一種基于 SVM 的電力行業(yè)物資需求預(yù)測(cè)方法.電氣技術(shù),2016,(12):152–154.[doi:10.3969/j.issn.1673-3800.2016.12.033]

6李晨熙.基于ARIMA模型的短期電力負(fù)荷預(yù)測(cè).吉林電力,2015,43(6):22–24.

7張樹京,齊立心.時(shí)間序列分析簡(jiǎn)明教程.北京:清華大學(xué)出版社,2003.

9Meng K,Dong Z Y,Wong K P.Self-adaptive radial basis function neural network for short-term electricity price forecasting.IET Generation,Transmission & Distribution,2009,3(4):325–335.

10沈男.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)物資需求預(yù)測(cè)研究[碩士學(xué)位論文].北京:華北電力大學(xué),2014.

11謝驍旭,袁兆康.基于R的江西省肺結(jié)核發(fā)病率ARIMASVM 組合預(yù)測(cè)模型.中國(guó)衛(wèi)生統(tǒng)計(jì),2015,32(1):160–162.

12劉夏,陳磊,李苑輝,等.基于組合方法的三亞機(jī)場(chǎng)客流量預(yù)測(cè).計(jì)算機(jī)系統(tǒng)應(yīng)用,2016,25(8):23–28.[doi:10.15888/j.cnki.csa.005268]

Time Series Prediction of Power Supplies Based on BP Neural Network Error Correction

ZHAO Yi-Peng1,2,DING Yun-Feng1,YAO Kai-Feng3

1(Shenyang Institute of Computer Technology,Chinese Academy of Sciences,Shenyang 110168,China)2(University of Chinese Academy of Sciences,Beijing 100049,China)3(Northeast Branch of State Grid Corporation of China,Shenyang 110180,China)

The traditional ARIMA time series analysis method is based on the linear technology to predict the time series,while its processing of nonlinear data is not reasonable with poor effect.There are many factors influencing the demand of power supply,and most of the material sequences usually contain both the linear time series and the nonlinear time series.In this paper,based on the ARIMA forecast,the BP neural network is combined with error correction to extract the composite features in the material sequence in order to improve the forecast precision of the electric power materials.The experimental results show that the accuracy of power supply forecasting with error correction can be improved significantly,which can provide important data support for material procurement plan.

time series; ARIMA model; BP neural network; error correction; electric power supplies forecasting

10.3969/j.issn.1672-3791.2006.34.007]

趙一鵬,丁云峰,姚愷豐.BP神經(jīng)網(wǎng)絡(luò)誤差修正的電力物資時(shí)間序列預(yù)測(cè).計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(10):196–200.http://www.c-sa.org.cn/1003-3254/6011.html

2017-01-18; 采用時(shí)間:2017-02-23